Population Synthesis Accommodating Heterogeneity: A Bayesian Network and Generalized Raking Technique
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Agent-based microsimulation modeling techniques are adopted for urban system modeling mainly because of their capacity to address the complex interactions among individuals, households, and other urban elements. The performance of urban simulation models is largely dependent on the quality of the input data, which is generated through a population synthesis procedure. This study proposes a Bayesian network and generalized raking techniques for population synthesis. The Bayesian network is used to generate the synthetic population pool from the microsample, and generalized raking is used to fit the synthetic population with the control total. Some of the key features of the proposed population synthesis are as follows: accommodating heterogeneity based on both household and individual attributes; tackling missing/incomplete observations in the microsample; and generating a true synthesis of the population from the microsamples. A data-driven structure learning technique is adopted to generate effective and optimal structures among the heterogenous households and individuals. This Bayesian network + generalized raking procedure is implemented to generate a 100% synthetic population at the smallest zonal level of dissemination area for the Central Okanagan region of British Columbia. The results suggest that capturing heterogeneity within the Bayesian network has tremendously benefitted the reconstruction process to efficiently and accurately generate a synthetic population from the available microsample. Finally, this population synthesis is developed as a component of the agent-based integrated urban model, currently under development at The University of British Columbia’s Okanagan campus.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,029 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,002 | 0,007 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle